LENGUAJE DE SIMULACION Y SIMULADORES

En un principio, los programas de simulacin se elaboraban utilizando algn

lenguaje de propsito general, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A
partir de la dcada de 1960 hacen su aparicin los lenguajes especficos para
simulacin como GPSS, GASP, SIMSCRIPT, SLAM. En la ltima dcada del siglo
pasado la aparicin de las interfaces grficas revolucionaron el campo de las
aplicaciones en esta rea, y ocasionaron el nacimiento de los simuladores.
En lo prctico, es importante utilizar la aplicacin que mejor se adece al tipo de
sistema a simular, ya que de la seleccin del lenguaje o simulador depender el
tiempo de desarrollo del modelo de simulacin. Las opciones van desde las hojas
de clculo, lenguajes de tipo general (como Visual Basic, C++ o Fortan), lenguajes
especficos de simulacin (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y
SSED), hasta simuladores especficamente desarrollados para diferentes objetivos
(como SIMPROCESS, ProModel, Witness, Taylor II y Cristal Ball).

APRENDIZAJE Y USO LENGUAJE DE SIMULACINO SIMULADOR

Los lenguajes de simulacin facilitan enormemente el desarrollo y ejecucin de

simulaciones de sistemas complejos del mundo real. Los lenguajes de simulacin
son similares a los lenguajes de programacin de alto nivel pero estn
especialmente preparados para determinadas aplicaciones de la simulacin. As
suelen venir acompaados de una metodologa de programacin apoyada por un
sistema de smbolos propios para la descripcin del modelo por ejemplo mediante
diagramas de flujo u otras herramientas que simplifican notablemente la
modelizacin y facilitan la posterior depuracin del modelo.
Caractersticas de los lenguajes de simulacin:

Los lenguajes de simulacin proporcionan automticamente las

caractersticas necesarias para la programacin de un modelo de simulacin, lo
que redunda en una reduccin significativa del esfuerzo requerido para programar
el modelo.
Proporcionan un marco de trabajo natural para el uso de modelos de
simulacin. Los bloques bsicos de construccin del lenguaje son mucho ms
afines a los propsitos de la simulacin que los de un lenguaje de tipo general.
Los modelos de simulacin son mucho ms fcilmente modificables.
Proporcionan muchos de ellos una asignacin dinmica de memoria
durante la ejecucin,.
Facilitan una mejor deteccin de los errores.
Los paquetes de software especialmente diseados para simulacin
contienen aplicaciones diversas que facilitan al simulador las tareas de
comunicaciones, la depuracin de errores sintcticos y de otro tipo de errores, la
generacin de escenarios, la manipulacin on-line de los modelos, etc.
 Son muy conocidos y en uso actualmente
Aprendizaje lleva cierto tiempo
Simuladores de alto nivel
Muy fciles de usar por su interface grfica
Restringidos a las reas de manufactura y comunicaciones
Flexibilidad restringida puede afectar la validez del modelo

Entre estos lenguajes especficos podemos nombrar los siguientes: MIDAS,

DYSAC, DSL , GASP, MIMIC, DYNAMO, GPSS, SIMULA, CSSL( Continuous
System Simulation Language) , CSMP, ACSL ( Advanced Conrinuous Simulation
Language), DARE-P and DARE-Interactive, C-Simscript, SLAM, SIMAN, SIMNON,
SIMSCRIPT-II-5, ADA, GASP IV, SDL.
Muchos de estos lenguajes dependen fuertemente de los lenguajes de propsito
general como es el caso de SLAM o SIMAN que dependen de Fortran para las
subrutinas.
Por otro lado, el GPSS es un caso especial de un lenguaje de simulacin de
propsito especial, altamente estructurado que esta orientado a la transaccin, un
caso especial de una orientacin basada en procesos ms general. El GPSS fue
diseado para la simulacin simple de sistemas de colas tales como trabajos de
taller. A diferencia de los otros lenguajes de simulacin, GPSS tiene varias
implementaciones incluyendo GPSS/H y GPSS/PC, ambos de los cuales sern
discutidos mas adelante. El SIMAN V, SIMSCRIPT II.5, y el SLAM son lenguajes
de simulacin de alto nivel que tienen constructor especialmente diseados para
facilitar la construccin de modelos. Estos lenguajes proveen al analista de
simulacin con una opcin orientacin basada en procesos o basada en eventos,
o un modelo usando una mezcla de las dos orientaciones. A diferencia del
FORTRAN, estos tres lenguajes proveen la administracin de la lista de eventos
futuros, generador interno de variables aleatorias, y rutinas internas para la
obtencin de estadsticas (estas caractersticas para las implementaciones del
GPSS mencionadas previamente.) Se pueden lograr calculo complejos en ambas
implementaciones del GPSS y estos tres lenguajes. El SIMAN, SIMSCRIPT II.5, y
el SLAMSYSTEM proveen la capacidad de realizar simulacin continua ( esto es,
para modelar sistemas que tengan continuamente cambios en sus variables de
estado) pero este tema no esta dentro del alance de este libro.
El SIMAN esta escrito en C, aunque las primeras versiones del lenguaje fue
escrito en FORTRAN.
El SIMAN V puede ser acezado directamente, o a travs del medio ambiente del
ARENA. El SLAMSYSTEM contiene al lenguaje de simulacin SLAM II. El SLAM II
esta basado en el FORTRAN y contiene al lenguaje GASP como un subconjunto.
El GASP es un conjunto de subrutinas en FORTRAN para facilitar las
simulaciones orientadas al objeto escritas en FORTRAN. El SIMSCRIPT II.5 por
otro lado, contiene un subconjunto de un completo lenguaje cientfico de
simulacin comparable con el FORTRAN, C o C++. El MODSIM III es un
descendiente del lenguaje que la compaa de productos CACI originalmente
diseado por la armada de los Estados Unidos. Hereda mucha de su sintaxis del
 MODULA-2 y del ADA, ciertas caractersticas del ADA y sus conceptos de
simulacin del SIMSCRIPT y el SIMULA. Algunas de las caractersticas de la
simulacin orientada al objeto fueron originalmente vistas en el SIMULA y el
SMALLTALK.

CASOS PRACTICOS DE SIMULACIN

Un caso practico de una simulacin podemos decir en esta parte, la simulacin del
Mtodo de Monte Carlo.
ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la
generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el
cual se basa en las distribuciones acumuladas de frecuencias:

Determinar la/s V.A. y sus distribuciones acumuladas(F)

Generar un nmero aleatorio uniforme (0,1).
Determinar el valor de la V.A. para el nmero aleatorio generado de
acuerdo a las clases que tengamos.
Calcular media, desviacin estndar error y realizar el histograma.
Analizar resultados para distintos tamaos de muestra.

Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulacin o tenemos relaciones entre variables es
la siguiente:

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias relevantes
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar
el resultado
Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados
Las principales caractersticas a tener en cuenta para la implementacin o
utilizacin del algoritmo son:
El sistema debe ser descripto por 1 o ms funciones de distribucin de
probabilidad (fdp)
Generador de nmeros aleatorios: como se generan los nmeros aleatorios es
importante para evitar que se produzca correlacin entre los valores mustrales.
 Establecer lmites y reglas de muestreo para las fdp: conocemos que valores
pueden adoptar las variables.
Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a
simular.
Estimacin Error: Con que error trabajamos, cuanto error podemos
aceptar para que una corrida sea vlida?
Tcnicas de reduccin de varianza.
Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia
trabajar con varios procesadores paralelos para realizar la simulacin.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y
queremos ver que sucede con el promedio de la demanda en varias iteraciones:

Utilizando la distribucin acumulada(F(x) es la probabilidad que la variable

aleatoria tome valores menores o iguales a x) podemos determinar cual es el valor
obtenido de unidades cuando se genera un nmero aleatorio a partir de una
distribucin continua uniforme. Este mtodo de generacin de variable aleatoria se
llama Transformacin Inversa.

Generando los valores aleatorios vamos a ver como se obtiene el valor de la

demanda para cada da, interesndonos en este caso como es el orden de
aparicin de los valores. Se busca el nmero aleatorio generado en la tabla de
probabilidades acumuladas, unavez encontrado( si no es el valor exacto, ste
debe se menor que el de la fila seleccionada pero mayor que el de la fila anterior),
de esa fila tomada como solucin se toma el valor de las unidades (Cuando
trabajamos en Excel debemos tomar el lmite inferior del intervalo para busca en
las acumuladas, para poder emplear la funcin BUSCARV(), para 42 sera 0, para
43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero aleatorio
generado sea 0,52, a qu valor de unidades corresponde? Nos fijamos en la
columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente
mayor es 0,70 y corresponde a 48 unidades. Se puede apreciar mejor en el
grfico, trazando una recta desde el eje de la frecuencia hasta que intersecta con
la lnea de la funcin acumulada, luego se baja a la coordenada de unidades y se
obtiene el valor correspondiente; en este caso 48.
Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo
o salto para cada variable( para casos prcticos hay que definir los intervalos y
luego con una funcin de bsqueda hallar el valor). Para funciones continuas se
puede hallar la inversa de la funcin acumulada. De esta forma logramos a partir
de la distribucin de densidad calcular los valores de
la variable aleatoria dada.

En la siguiente tabla, vemos como a medida que aumenta el numero de

simulaciones, el valor simulado se acerca al valor original de la media y desviacin
estndar, adems de la disminucin del error tpico.
PROBLEMAS CON LINEA DE ESPERA
Simulacin de una lnea de espera con una fila y un servidor

Un sistema de colas estara definido cuando tengamos la siguiente informacion

acerca de este:
Distribucion de probabilidad de los tiempos de servicio
Distribucion de probabilidad de los tiempos entre llegadas
Numero de servidores
Numero de filas
Conexiones entre servidores y filas
Disciplinas y restricciones de los servidores y filas (en caso de que existan)
Para este primer ejemplo se utilizara el modelo de lineas de espera que se
muestra en la figura siguiente. Como se puede apreciar, es un modelo bastante
simple donde la disciplina de atencin es FIFO (primero en llegar, primero en
salir).

Tanto el tiempo de servicio como el tiempo entre llegadas siguen una distribucion
exponencial aunque con parametros diferentes, para el caso del tiempo entre
llegadas tenemos =15 y para el tiempo de servicio tenemos =10.
Aplicando el metodo de la transformada inversa a la distribucion exponencial
(consultar Dyner etc. al, 2008), tenemos que:

Donde corresponde a una observacin de una variable exponecial, _ es un

numero aleatorio entre cero y uno y es la media de la distribucion. Para la
implementacion del sistema descrito en Excel, abra una nueva hoja de calculo y
configurela como se muestra en la figura.

En la celda B8 escriba la formula =ALEATORIO() y arrastre hasta la celda B23.

Repita este procedimiento para la columna G. En el paso anterior, se definio los
numeros aleatorios a partir de los cuales se generaran las observaciones de
variables aleatorias de la simulacion.
Ahora, en la celda C8 escribe la formula =-LN(1-B8)/$B$4, y arrastre hasta la
celda C23.
Como se puede apreciar, esta es la formula descrita anteriormente para obtener
observaciones de una variable exponencial. En este caso, se estan generando
observaciones para la variable aleatoria de tiempos entre llegadas.
En la celda D8 escribe la formula =C8, lo anterior significa que como es la primera
llegada al sistema, su tiempo de llegada (en el instante de tiempo en el que llego
al sistema), sera igual a su tiempo entre llegadas. Sin embargo, para la celda D9
la formula correspondiente es =C9+D8, ahora arrastre la formula de D9 hasta D23;
esta formula significa que despues de que llega el primer cliente, el instante de
tiempo en el que cualquier otro cliente llega al sistema sera el instante de tiempo
en el que entro el penltimocliente sumado el tiempo entre llegadas
del ltimo cliente, es decir, si el penultimo cliente entro al sistema en el instante
t=4, y el tiempo entre llegadas del ultimo cliente es dt=2, entonces este ultimo
cliente entrara realmente al sistema en t=6.

La formula correspondiente a la celda E8 es =D8, esto significa que, al ser primer

cliente, el instante en el que llega al sistema sera el mismo instante en el que
comienza el servicio; mas adelante se presenta las formulas correspondientes al
resto de clientes del sistema en esta columna. Ahora en la celda F8 escriba la
formula =E8-D8 y arrastrela hasta la celda F23, esto corresponde al tiempo de
espera del cliente antes de comenzar a ser atendido, note que D8 nunca sera
mayor que E8 ya que el valor minimo que puede tomar el tiempo de comienzo del
servicio es el tiempo de llegada, es decir, cuando un cliente llega al sistema y no
tiene que hacer fila.
En la celda H8 escribe la formula =-LN(1-G7)/$B$5, y arrastrela hasta la celda
H23, esta formula indica cuanto tiempo tardara el servidor atendiendo al cliente
actual. Ahora en la celda I8 escriba la formula =E8+H8, esta formula indica el
instante de tiempo en el que servidor termina de atender al cliente actual y
corresponde a la suma entre el instante que comienza el servicio y la cantidad de
tiempo que este toma.
Retomemos ahora la columna E, notese que esta solo esta definida en su posicion
E8, esto porque primero se requeria definir otros valores antes de poder
determinar el instante en el que empieza realmente el servicio. En un sistema
como el aqui presentado se pueden tener dos casos para el tiempo de comienzo
del servicio, en primer lugar puede que el servidor se encuentre desocupado, en
este caso el tiempo de comienzo del servicio sera igual al tiempo de llegada al
sistema y no habra tiempo de espera. Sin embargo, si el servidor se encuentra
ocupado, el tiempo de comienzo del servicio sera igual al maximo entre el instante
en que el servidor termine de atender al cliente actual y el tiempo de llegada al
sistema; por si el tiempo de fin del servicio del cliente actual es igual a tfs=12 pero
el tiempo de llegada del prximo cliente es tll=14, el tiempo de comienzo del
servicio del proximo cliente sera t=14 y el servidor tendra un ocio dt=2; por otro
lado, si tfs=13 para el cliente actual y el proximo cliente tiene un tll=10, el servidor
no tendra ocio y el proximo cliente debera esperar un intervalo de tiempo dt=3. De
lo anterior se concluye que la formula para la celda E9 debe ser=MAX(D9;I8),
ahora arrastre esta formula hasta la celda E23.
Hasta este punto se tiene una simulacion de un sistema de lineas de espera con
una fila y un servidor, si se desea generar nuevas observaciones presione la tecla
F9; como tarea al lector se deja el calculo de:
Tiempo promedio en el sistema
Tiempo promedio de espera (sin incluir ceros)
Tiempo promedio de espera (incluyendo ceros)
Tiempo promedio de servicio
Tiempo promedio de ocio
Adicionalmente se plantea al lector elaborar, una simulacion en Excel que
represente el sistema que se muestra en la figura siguiente, donde p es la
probabilidad de que un cliente se dirija a S1 o a S2. Tanto el tiempo entre llegadas
como los tiempos de servicio, se distribuyen exponencial con los parametros que
se muestran a continuacion.
 Tiempo entre llegadas: =8
Tiempo de servicio S1: =13
Tiempo de servicio S2: =18
Probabilidad p: 0.63

VALIDACIN DE UN SIMULADOR

Aqu vamos a mostrar como se valido el correcto funcionamiento de un simulador

con demanda y tiempo de espera, determinsticos. Para ver mas detalladamente
sigue el enlace
propuesto: https://www.dropbox.com/s/d1i7ft47b6ubu1t/validacion%20simulador.p
df?m

PRUEBAS PARAMETRICAS (VALIDACIN DEL MODELO, PRUEBAS DE

HIPOTESIS Y PRUEBAS DE ESTIMACIN)

Validacin del modelo

Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador son:
1) Identificacin del problema
2) Delimitacin del sistema
3) Formulacin del modelo
4) Preparacin de datos
5) Construccin del modelo
6) Validacin
7) Diseo de experimentos
8) Ejecucin de experimentos
9) Interpretacin (Inferencia)
10) Documentacin
IV) Etapa IV: Preparacin de datos, o bien obtencin de datos.
Consiste en la identificacin y captacin de los datos que requiere el modelo, de
acuerdo a la formulacin que se haya hecho en las etapas anteriores del diseo.
Los datos son para:
Las relaciones funcionales, ya sea para determinar la forma de stas,
completar su forma o expresin, o para precisar algn parmetro que en ella se
tenga.
Las variables estocsticas, que de ellas se deber determinar su funcin de
distribucin de probabilidades, tanto para variables continuas como discretas.
Las relaciones funcionales podran ser, rectas obtenidas por regresin lineal o
ajuste de curvas.
En las relaciones funcionales se debe fijar todos los parmetros que tenga; a
menos que se haya dejado como una variable de entrada al simulador.
Los datos a usar pueden ser:
Datos empricos
 Datos obtenidos con distribucin tericas.
El usar datos empricos es en general ms conveniente, pero puede implicar que
el modelo quede influido por factores que se dieron en el tiempo de gestacin de
ellos y no vuelvan a repetirse.
V. Construccin del modelo
Es llevar el modelo que se tiene del simulador a un lenguaje de programacin
disponible en el computador a usar o en las configuraciones disponibles, y que
debe conocer su programacin. Luego que se tiene el programa fuente del
modelo, escrito en el lenguaje elegido, probarlo y depurarlo desde el punto de
vista computacional, hasta obtener una versin satisfactoria.
VI. Validacin
Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable
de confiabilidad de las inferencias efectuadas sobre el sistema real.
La validacin tiene el concepto de grado, no es un resultado dicotmico, no es un
si o no, no es vlido o invlido, no es correcto o incorrecto.
Fuentes de error
En la formulacin del modelo:
Que se excluya variables relevantes, o un atributo (esto es ms dramtico).
Que se incluya variables irrelevantes (es menos dramtico).
Mala eleccin de una funcin de distribucin de probabilidad para una
variable.
Mal establecimiento de alguna relacin funcional o de los parmetros del
modelo.
En los datos usados
Toma de datos con margen de error relativo importante.
Tcnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un
sector no representativo.
Datos mal digitados o mal almacenados.
El analista hace un acto de confianza en el equipo que tena los datos.
En la construccin
Errores en los programas (de lgica, mal uso del lenguaje).
El tiempo real se simula mal.
Uso de una imagen no adecuada del mundo real. (Usar matrices de punto
para territorios, lagos, bosque, cardumen, conglomerados; en lugar del espacio R2
por ej.)
La validacin consiste en 2 etapas:
1. Validacin de los modelos de procesos simples; esto es validar
la estructura interna del modelo.
Se valida la salida de los procesos simples y en ello se hace uso de tcnicas de
estadstica. Las relaciones funcionales tambin deben validarse. Puede hacerse
cuando se establece el modelo o en la toma de datos .No debe tomarse relaciones
funcionales desconocidas, o que no tengan ya un grado de validez aceptable.
Siempre ser posible validar las componentes o subsistemas porque se habrn
construido de manera modular para formar el modelo. En esta etapa se observar
el comportamiento del modelo en cada uno de esos procesos simples para
asegurarse que cada componente o subsistema esta bien simulado.
Validar el modelo de simulacin en su entorno, esto es validar los datos de salida.
Puede ser que la validez de la estructura sea buena, pero el resultado
combinado de los procesos simples sea casi mala.
Confrontar los resultados de la simulacin con las experiencias pasadas y
con teoras existentes al respecto:
No tomar posturas como: los resultados no me parecen correctos, pero si el
modelo lo dice yo lo acepto.
Si los resultados son absurdos, no tiene sentido continuar; cualquier otro
anlisis no convencer a los usuarios. Ningn modelo se ha aceptado si los
resultados van contra la teora.
Para modelos de importancia, de envergadura deber consultarse la
opinin de expertos.
Anlisis de sensibilidad
En las 2 etapas de la validacin (de estructura y de los datos de salida) se debe
hacer anlisis de sensibilidad.
Para ello, se vara los valores de 1 o 2 variables de entrada y se observa la
respuesta del modelo. Es de cuidado cuando el modelo es muy sensible a una
pequea variacin de una variable, y en general el modelo no es bueno cuando
ello ocurre.
Efectuar anlisis de sensibilidad de las variables dependientes ante cambios de
las variables independientes.
Con un simulador se puede realizar muchos anlisis de sensibilidad por el
grado de control sobre las variables de entrada (Mtodo Turing ). Luego consultar
a expertos, si es posible.
Anlisis de la capacidad de replicar los datos que se uso en su
construccin. Esta rplica no es tan importante ya que si replica los datos usados
no significa que el modelo sea bueno; y, si ni siquiera replica los datos usados es
porque el modelo de simulacin obtenido, es malo.
Anlisis de la capacidad de predecir usando datos crticos no incluidos en
los datos, o usar datos histricos o datos que se obtienen del sistema real o de
otro simulador ya probado.
Se espera que estas salidas no sean absurdas comparadas con la experiencia y la
teora. Se consulta la opinin de expertos en esta confrontacin del modelo con la
realidad presente.
Ej. Simular la evolucin de una poblacin de chinchillas dndole poblacin mxima
altsima, y datos de poblacin existentes. Consulta a expertos en chinchillas.
El modelo debe correrse muchas veces antes de llegar a tener una
probabilidad de distribucin de la respuesta de un variable de salida.
VII Diseo de experimentos
Aqu se usan las reglas y los procedimientos que la estadstica considera para el
diseo de experimentos en general y que se aplica a disear experimentos a
efectuar con el simulador.
El diseo se har orientado principalmente a los objetos que tiene el estudio o el
programa en que se inserta la construccin del simulador, o los objetivos de los
usuarios que utilizarn el simulador, y para lo cual ste fue diseado.
Se puede distinguir una etapa estratgica donde se decide el diseo de
experimentos a usar por ser el ms adecuado, y la etapa tctica donde se decide
el cmo se llevara a la prctica los experimentos del diseo a aplicar. Se ve aqu
la distribucin de recursos, el uso del tiempo y del personal.
VIII Ejecucin de los experimentos
Corresponde a la etapa operacional del diseo de experimentos.
IX Interpretacin
Se hacen las inferencias sobre el sistema real de los datos generados por el
simulador.
X. Documentacin
Se debe indicar por escrito puntos tales como: los objetivos, las componentes y
subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo
formulado, la funcin de desempeo, y lo pertinente hasta aqu (Diseo lgico del
simulador).
Se debe documentar el programa computacional, los mdulos o las subrutinas, las
inter-relaciones entre mdulos y la conclusiones de la etapa de validacin (Diseo
fsico del simulador).
Confeccionar un manual de procedimiento para el uso del simulador. Este
resultar ms breve cuanto ms amigable sea el ingreso y manejo del simulador.
Deber contener alcances que faciliten la inferencia al sistema real.
XII. Explotacin
Es dejar el simulador con los manuales y documentacin a disposicin del o los
usuarios.
Pruebas de hiptesis
Una
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en
parmetro poblacional. Despus de recolectar una muestra aleatoria, se compara
la estadstica muestral, as como la media (x), con el parmetro hipottico, se
compara con una supuesta media poblacional. Despus se acepta o se rechaza
el valor hipottico, segn proceda. Se rechaza el valor hipottico slo si el
resultado muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapas Para La Prueba De Hiptesis.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0)
es el valor hipottico del parmetro que se compra con el resultado muestral
resulta muy poco probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de
significancia del 5%, entonces se rechaza la hiptesis nula solamente si el
resultado muestral es tan diferente del valor hipottico que una diferencia de esa
magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o
menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la
estadstica muestral (el estimador no segado del parmetro que se prueba) o una
versin transformada de esa estadstica muestral. Por ejemplo, para probar el
valor hipottico de una media poblacional, se toma la media de una muestra
aleatoria de esa distribucin normal, entonces es comn que se transforme la
media en un valor z el cual, a su vez, sirve como estadstica de prueba.
Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba.
Habiendo especificado la hiptesis nula, el nivel de significancia y la estadstica de
prueba que se van a utilizar, se produce a establecer el o los valores crticos de
estadstica de prueba. Puede haber uno o ms de esos valores, dependiendo de si
se va a realizar una prueba de uno o dos extremos.
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al
probar un valor hipottico de la media poblacional, se toma una muestra aleatoria
y se determina el valor de la media muestral. Si el valor crtico que se establece es
un valor de z, entonces se transforma la media muestral en un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica
muestral con el valor (o valores) crticos de la estadstica de prueba. Despus se
acepta o se rechaza la hiptesis nula. Si se rechaza sta, se acepta la alternativa;
a su vez, esta decisin tendr efecto sobre otras decisiones de los
administradores operativos, como por ejemplo, mantener o no un estndar
de desempeo o cul de dos estrategias de mercadotecnia utilizar.
La distribucin apropiada de la prueba estadstica se divide en dos regiones: una
regin de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima
regin no se puede rechazar la hiptesis nula y se llega a la conclusin de que
el proceso funciona correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor
crtico en la distribucin estadstica que divide la regin del rechazo (en la cual la
hiptesis nula no se puede rechazar) de la regin de rechazo. A hora bien el valor
crtico depende del tamao de la regin de rechazo.
PASOS DE LA PRUEBA DE HIPTESIS
1. Expresar la hiptesis nula
2. Expresar la hiptesis alternativa
3. Especificar el nivel de significancia
4. Determinar el tamao de la muestra
5. Establecer los valores crticos que establecen las regiones de rechazo de las
de no rechazo.
6. Determinar la prueba estadstica.
7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica
apropiada.
8. Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no
rechazo.
9. Determinar la decisin estadstica.
10 Expresar la decisin estadstica en trminos del problema.
Errores de tipo I y de tipo II.
Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha
cometido un error de tipo I. Por otra parte, si aceptamos una hiptesis que debiera
ser rechazada, diremos que se cometi un error de tipo II. En ambos casos, se ha
producido un juicio errneo.
Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben
disearse de modo que minimicen los errores de la decisin; y no es una
cuestin sencilla, porque para cualquier tamao de la muestra, un intento de
disminuir un tipo de error suele ir acompaado de un crecimiento del otro tipo. En
la prctica, un tipo de error puede ser ms grave que el otro, y debe alcanzarse un
compromiso que disminuya el error ms grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra
que no siempre es posible.